CN113625164A - 航空发电机故障特征提取方法、系统、介质及计算设备 - Google Patents
航空发电机故障特征提取方法、系统、介质及计算设备 Download PDFInfo
- Publication number
- CN113625164A CN113625164A CN202110881188.5A CN202110881188A CN113625164A CN 113625164 A CN113625164 A CN 113625164A CN 202110881188 A CN202110881188 A CN 202110881188A CN 113625164 A CN113625164 A CN 113625164A
- Authority
- CN
- China
- Prior art keywords
- modal
- fault
- signal
- frequency
- decomposition
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/34—Testing dynamo-electric machines
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Testing Relating To Insulation (AREA)
Abstract
本发明公开了一种航空发电机故障特征提取方法、系统、介质及计算设备,本发明对诊断信号进行模态分解,构建各故障模式下的频带能量向量,通过频带能量对比获取故障特征,实现了自适应地提取故障特征,快捷省力,具有很好的鲁棒性,并且有一定的抗噪声能力,有效地提高航空发电机故障诊断正确率。
Description
技术领域
本发明涉及一种航空发电机故障特征提取方法、系统、介质及计算设备,属于发电机状态监测与故障诊断技术领域。
背景技术
航空发电机是飞机主电源的重要组成部分,它负责为飞机上的雷达、照明等各种机载设备提供电源。航空发电机任何一个环节出现故障,不仅会影响其正常运行,同时有可能会导致飞机不能正常飞行,严重时甚至会造成重大航空事故。因而深入开展航空发电机故障诊断技术的研究,对航空发电机出现的故障做出及时、准确、快速的判断,确保飞机的安全运行,具有极其重要的现实意义以及巨大的经济效益。
在航空发电机故障诊断领域,目前普遍采用的是信号处理与分析的方法,具体说来,一般都是先采集故障信号,然后利用信号处理技术对采集到的故障信号处理提取故障特征,最后利用分类器实施故障诊断和定位。但是目前的特征提取方法普遍依赖于人工手动提取,耗时费力,受噪声干扰影响较大,从而进一步导致故障诊断准确率不高。
发明内容
本发明提供了一种航空发电机故障特征提取方法、系统、介质及计算设备,解决了背景技术中披露的问题。
为了解决上述技术问题,本发明所采用的技术方案是:
航空发电机故障特征提取方法,包括:
采集各故障模式的诊断信号;
采用变分模态分解方法对诊断信号进行模态分解,构建各故障模式下的频带能量向量;其中,在模态分解中,采用模态分量瞬时频率特性优化变分模态分解方法的中心频率及模态分量数量;
将各故障模式下的频带能量向量进行频带能量对比,选取反映故障情况的若干频带能量构成故障特征。
故障包括旋转整流器故障、转子绕组故障、定子绕组故障、转轴故障和轴承故障。
诊断信号包括发电机输出电压信号、交流励磁机励磁电流信号和机身振动信号。
在模态分解之前,对故障模式的所有诊断信号进行预处理,构建故障模式的诊断信号向量。
预处理过程为,
截取诊断信号预设长度的数据片段;
将同一故障模式下的数据片段组成一列向量;
对列向量进行归一化处理,获得诊断信号向量。
采用变分模态分解方法对诊断信号进行模态分解,构建各故障模式下的频带能量向量,具体过程为,
采用变分模态分解方法对诊断信号进行模态分解,获得各模态分量;
计算各模态分量的频带能量,构建各故障模式下的频带能量向量。
采用模态分量瞬时频率特性优化变分模态分解方法的中心频率及模态分量数量,具体过程为:
截取本次迭代中各模态分量的任意一段信号;
根据截取信号的瞬时频率,计算作为模态分量瞬时频率特性的瞬时频率的均值,并将其作为下次迭代的中心频率;
对瞬时频率均值在本次模态分量数量下进行曲线曲率量化分析,若曲线首次出现向下的弯曲,则迭代结束,将上一次迭代的中心频率作为最优中心频率,将上一次模态分量数量作为最优模态分量数量;其中,本次模态分量数量与本次迭代值一致,上一次模态分量数量与上一次迭代值一致。
航空发电机故障特征提取系统,包括:
信号采集模块:采集各故障模式的诊断信号;
分解模块:采用变分模态分解方法对诊断信号进行模态分解,构建各故障模式下的频带能量向量;其中,在模态分解中,采用模态分量瞬时频率特性优化变分模态分解方法的中心频率及模态分量数量;
对比模块:将各故障模式下的频带能量向量进行频带能量对比,选取反映故障情况的若干频带能量构成故障特征。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行航空发电机故障特征提取方法。
一种计算设备,包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行航空发电机故障特征提取方法的指令。
本发明所达到的有益效果:本发明对诊断信号进行模态分解,构建各故障模式下的频带能量向量,通过频带能量对比获取故障特征,实现了自适应地提取故障特征,快捷省力,具有很好的鲁棒性,并且有一定的抗噪声能力,有效地提高航空发电机故障诊断正确率。
附图说明
图1为本发明方法的流程图;
图2为模态分量数量的优化结构图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本发明的保护范围。
如图1所示,航空发电机故障特征提取方法,包括以下步骤:
步骤1,采集各故障模式的诊断信号;
步骤2,采用变分模态分解方法对诊断信号进行模态分解,构建各故障模式下的频带能量向量;其中,在模态分解中,采用模态分量瞬时频率特性优化变分模态分解方法的中心频率及模态分量数量;
步骤3,将各故障模式下的频带能量向量进行频带能量对比,选取反映故障情况的若干频带能量构成故障特征。
上述方法实现了自适应地提取故障特征,快捷省力,具有很好的鲁棒性,并且有一定的抗噪声能力,有效地提高航空发电机故障诊断正确率。
在实施上述方法之前,需要对故障进行分析;航空发电机的结构十分复杂,故障种类繁多,通过对航空发电机进行故障模式、影响和危害性分析,确定航空发电机主要故障。
航空发电机主要故障包括旋转整流器故障、转子绕组故障、定子绕组故障、转轴故障与轴承故障等故障等;其中,每一种故障又可分为不同的故障模式,比如:旋转整流器故障又可分为单管故障、双管故障等故障模式,轴承故障又可分为点蚀、裂纹等故障模式。
针对不同的故障模式需要采集相应的诊断信号,诊断信号具体包括发电机输出电压信号、交流励磁机励磁电流信号和机身振动信号等,这些信号可分别通过电压传感器、电流传感器、振动传感器采集。
采集到诊断信号后,需要对其进行预处理,构建故障模式的诊断信号向量,具体过程如下:
11)截取诊断信号预设长度的数据片段;
12)将同一故障模式下的数据片段组成一列向量;
13)对列向量进行归一化处理,获得诊断信号向量;
例如:假设一故障模式下有3种诊断信号,截取各种诊断信号的数据片段,将三种诊断信号的数据片段组成一列向量,若每个数据片段有200个点,那么该列向量具备600个点;由于3种诊断信号的数据量纲不同,为了使数据具有统一的统计分布性,需要列向量进行归一化处理,获得诊断信号向量;其中,具体的归一化公式如下:
其中,xnew为归一化后的向量,x为归一化前的向量,xmean为x的均值,xstd为x的标准差;
采用变分模态分解方法对预处理后的诊断信号进行模态分解,构建各故障模式下的频带能量向量,具体过程为:
21)采用变分模态分解方法对诊断信号进行模态分解,获得各模态分量;
23)计算各模态分量的频带能量,构建各故障模式下的频带能量向量。
变分模态分解算法(VMD)是一种在经验模态分解算法(EMD)基础上进行改进后的信号处理算法,其作用是将初始信号分解为多个不同频率的模态分量形式,设定所需变分模态分解的直流分量DC=0,惩罚因子alpha=2000,噪声容忍度tau=0,收敛准则容忍度tol=1e-7,初始化中心频率init=1,分解的具体过程如下:
2)n=n+1,进入循环;
3)依据uk和ωk的更新公式进行更新,知道分解个数达到K时停止循环;其中,uk为分解后的单个模态分量调幅调频信号,ωk为单个模态分量调幅调频信号的中心频率;
4)依据λ的更新公式进行更新;其中,λ为拉格朗日乘数;
5)给定精度ε,若满足停止条件:
上述传统的变分模态分解算法采用人为设定模态分量数目和固定中心频率的方法,给信号分解后的效果造成巨大影响,为了提高分解精度,在模态分解中,采用模态分量瞬时频率特性优化变分模态分解方法的中心频率及模态分量数量,过程如下:
A)截取本次迭代中各模态分量的任意一段信号;
B)根据截取信号的瞬时频率,计算作为模态分量瞬时频率特性的瞬时频率的均值,并将其作为下次迭代的中心频率;瞬时频率的均值是所有截取信号瞬时频率的均值;
C)对瞬时频率均值在本次模态分量数量下进行曲线曲率量化分析,若曲线首次出现向下的弯曲,则迭代结束,将上一次迭代的中心频率作为最优中心频率,将上一次模态分量数量作为最优模态分量数量;其中,本次模态分量数量与本次迭代值一致,上一次模态分量数量与上一次迭代值一致。
具体过程为:
S1)初始化中心频率;
变分模态分解的实质是构造信号分解的变分问题,原始信号被分解为多个分量时,保证了分解序列为具有中心频率的有限带宽的模态分量,先需要对中心频率进行初始化;
S2)分量信号随机截取;
对原始信号分解后的模态分量截取其中任意一段,记为c(t),用作瞬时频率特性的计算及分析;
S3)确定分量的瞬时频率特性;
对取得的任意分量信号计算其各个时刻的瞬时频率,并求得分量瞬时频率的均值,作为分量信号的瞬时频率特性;
首先对于任意一个可进行分解的信号x(t),先对x(t)进行希尔伯特变换:
z(t)=x(t)+jH[x(t)]
用极坐标表示为:
z(t)=A(t)ejθ(t)
其中,该复信号的瞬时相位表示为:
复信号的瞬时幅值表示为:
则可求出该信号任意时刻的瞬时频率,表示为:
S4)频率定位;
变分模态分解的核心思想就是构建和求解变分问题,原始信号被分解为多个分量,需要保证分解序列为具有中心频率的有限带宽的模态分量,同时各模态的估计带宽之和最小,约束条件为所有模态之和与原始信号相等,则相应约束变分表达式为:
S5)瞬时频率特性寻优;
针对该段信号的瞬时频率平均值在不同的分解模态数量下进行曲线曲率的量化分析,其分析过程图如图2所示,找到曲线产生明显下弯曲的临界点,可以看出,在K等于4时曲线首次产生向下弯曲的前一个模态数,因此取K=3,此临界的个数即为变分模态分解的最优模态分量数量。
S6)优化结果;
寻优结束后,将模态分量数量确定的同时,也对分解过程的固有中心频率进行迭代优化,达到分解的最优设计。
最后,将各故障模式下的频带能量向量进行频带能量对比,选取最能反映故障情况的若干频带能量构成故障特征,基于故障特征即可进行航空发电机故障诊断。
上述方法相应的软件系统,即航空发电机故障特征提取系统,包括:
信号采集模块:采集各故障模式的诊断信号;
分解模块:采用变分模态分解方法对诊断信号进行模态分解,构建各故障模式下的频带能量向量;其中,在模态分解中,采用模态分量瞬时频率特性优化变分模态分解方法的中心频率及模态分量数量;
对比模块:将各故障模式下的频带能量向量进行频带能量对比,选取反映故障情况的若干频带能量构成故障特征。
一种存储一个或多个程序的计算机可读存储介质,所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行航空发电机故障特征提取方法。
一种计算设备,包括一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行航空发电机故障特征提取方法的指令。
本领域内的技术人员应明白,本发明的实施例可提供为方法、系统、或计算机程序产品。因此,本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均包含在申请待批的本发明的权利要求范围之内。
Claims (10)
1.航空发电机故障特征提取方法,其特征在于,包括:
采集各故障模式的诊断信号;
采用变分模态分解方法对诊断信号进行模态分解,构建各故障模式下的频带能量向量;其中,在模态分解中,采用模态分量瞬时频率特性优化变分模态分解方法的中心频率及模态分量数量;
将各故障模式下的频带能量向量进行频带能量对比,选取反映故障情况的若干频带能量构成故障特征。
2.根据权利要求1所述的航空发电机故障特征提取方法,其特征在于,故障包括旋转整流器故障、转子绕组故障、定子绕组故障、转轴故障和轴承故障。
3.根据权利要求1所述的航空发电机故障特征提取方法,其特征在于,诊断信号包括发电机输出电压信号、交流励磁机励磁电流信号和机身振动信号。
4.根据权利要求1所述的航空发电机故障特征提取方法,其特征在于,在模态分解之前,对故障模式的所有诊断信号进行预处理,构建故障模式的诊断信号向量。
5.根据权利要求4所述的航空发电机故障特征提取方法,其特征在于,预处理过程为,
截取诊断信号预设长度的数据片段;
将同一故障模式下的数据片段组成一列向量;
对列向量进行归一化处理,获得诊断信号向量。
6.根据权利要求1所述的航空发电机故障特征提取方法,其特征在于,采用变分模态分解方法对诊断信号进行模态分解,构建各故障模式下的频带能量向量,具体过程为,
采用变分模态分解方法对诊断信号进行模态分解,获得各模态分量;
计算各模态分量的频带能量,构建各故障模式下的频带能量向量。
7.根据权利要求1所述的航空发电机故障特征提取方法,其特征在于,采用模态分量瞬时频率特性优化变分模态分解方法的中心频率及模态分量数量,具体过程为:
截取本次迭代中各模态分量的任意一段信号;
根据截取信号的瞬时频率,计算作为模态分量瞬时频率特性的瞬时频率的均值,并将其作为下次迭代的中心频率;
对瞬时频率均值在本次模态分量数量下进行曲线曲率量化分析,若曲线首次出现向下的弯曲,则迭代结束,将上一次迭代的中心频率作为最优中心频率,将上一次模态分量数量作为最优模态分量数量;其中,本次模态分量数量与本次迭代值一致,上一次模态分量数量与上一次迭代值一致。
8.航空发电机故障特征提取系统,其特征在于,包括:
信号采集模块:采集各故障模式的诊断信号;
分解模块:采用变分模态分解方法对诊断信号进行模态分解,构建各故障模式下的频带能量向量;其中,在模态分解中,采用模态分量瞬时频率特性优化变分模态分解方法的中心频率及模态分量数量;
对比模块:将各故障模式下的频带能量向量进行频带能量对比,选取反映故障情况的若干频带能量构成故障特征。
9.一种存储一个或多个程序的计算机可读存储介质,其特征在于:所述一个或多个程序包括指令,所述指令当由计算设备执行时,使得所述计算设备执行根据权利要求1至7所述的方法中的任一方法。
10.一种计算设备,其特征在于,包括:
一个或多个处理器、一个或多个存储器以及一个或多个程序,其中一个或多个程序存储在所述一个或多个存储器中并被配置为由所述一个或多个处理器执行,所述一个或多个程序包括用于执行根据权利要求1至7所述的方法中的任一方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881188.5A CN113625164A (zh) | 2021-08-02 | 2021-08-02 | 航空发电机故障特征提取方法、系统、介质及计算设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110881188.5A CN113625164A (zh) | 2021-08-02 | 2021-08-02 | 航空发电机故障特征提取方法、系统、介质及计算设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113625164A true CN113625164A (zh) | 2021-11-09 |
Family
ID=78382266
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110881188.5A Pending CN113625164A (zh) | 2021-08-02 | 2021-08-02 | 航空发电机故障特征提取方法、系统、介质及计算设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113625164A (zh) |
Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015100577A1 (en) * | 2013-12-31 | 2015-07-09 | Siemens Aktiengesellschaft | Devices and methods for arc fault detection |
CN106443447A (zh) * | 2016-09-26 | 2017-02-22 | 南京航空航天大学 | 一种基于iSDAE的航空发电机故障特征提取方法 |
CN107229795A (zh) * | 2017-06-02 | 2017-10-03 | 东北大学 | 一种基于变分模态分解和能量熵的铣削颤振识别方法 |
CN108226996A (zh) * | 2017-12-28 | 2018-06-29 | 成都理工大学 | 基于能量频带分布的自适应各向异性分频分区滤波方法 |
CN108760305A (zh) * | 2018-06-13 | 2018-11-06 | 中车青岛四方机车车辆股份有限公司 | 一种轴承故障检测方法、装置及设备 |
CN109145727A (zh) * | 2018-07-11 | 2019-01-04 | 上海电力学院 | 一种基于vmd参数优化的轴承故障特征提取方法 |
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
CN110059437A (zh) * | 2019-04-28 | 2019-07-26 | 国网四川省电力公司南充供电公司 | 一种基于变分模态分解的gis振动信号特征量提取方法 |
CN110061792A (zh) * | 2019-04-04 | 2019-07-26 | 西安电子科技大学 | 一种基于变分模态分解的频谱感知算法 |
CN110146294A (zh) * | 2019-04-23 | 2019-08-20 | 莆田学院 | 一种风力发电机振动故障诊断方法及存储介质 |
CN110427916A (zh) * | 2019-08-14 | 2019-11-08 | 苏州大学 | 中心频率收敛趋势作用下的故障诊断方法 |
CN111159846A (zh) * | 2019-12-03 | 2020-05-15 | 上海工程技术大学 | 基于分数levy稳定运动的滚动轴承剩余有效寿命预测方法 |
CN111189639A (zh) * | 2020-01-08 | 2020-05-22 | 重庆交通大学 | 一种基于瞬时频率优化vmd的轴承故障诊断方法 |
CN111784043A (zh) * | 2020-06-29 | 2020-10-16 | 南京工程学院 | 一种基于模态gru学习网络的配电台区售电量精准预测方法 |
CN112051480A (zh) * | 2020-08-06 | 2020-12-08 | 国网安徽省电力有限公司电力科学研究院 | 基于变分模态分解的神经网络配电网故障诊断方法及系统 |
US20210010893A1 (en) * | 2019-01-29 | 2021-01-14 | Nanjing Tech University | Device and method for pipeline leak detection using particle swarm optimization-variational mode decomposition algorithm |
CN112414713A (zh) * | 2020-11-04 | 2021-02-26 | 吉电(滁州)章广风力发电有限公司 | 一种基于实测信号的滚动轴承故障检测方法 |
CN112859160A (zh) * | 2019-11-12 | 2021-05-28 | 中国石油天然气股份有限公司 | 薄互层砂体厚度的预测方法及装置 |
CN112963740A (zh) * | 2021-03-02 | 2021-06-15 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种换流站消防管道泄漏监测定位方法 |
CN113049684A (zh) * | 2021-03-23 | 2021-06-29 | 大连海洋大学 | 基于变分模态分解的超声兰姆波缺陷信号识别方法 |
AU2021103276A4 (en) * | 2021-06-10 | 2021-07-29 | Sichuan University Of Science & Engineering | Single-ended protection method and device for HVDC transmission lines |
-
2021
- 2021-08-02 CN CN202110881188.5A patent/CN113625164A/zh active Pending
Patent Citations (21)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2015100577A1 (en) * | 2013-12-31 | 2015-07-09 | Siemens Aktiengesellschaft | Devices and methods for arc fault detection |
CN106443447A (zh) * | 2016-09-26 | 2017-02-22 | 南京航空航天大学 | 一种基于iSDAE的航空发电机故障特征提取方法 |
CN107229795A (zh) * | 2017-06-02 | 2017-10-03 | 东北大学 | 一种基于变分模态分解和能量熵的铣削颤振识别方法 |
CN108226996A (zh) * | 2017-12-28 | 2018-06-29 | 成都理工大学 | 基于能量频带分布的自适应各向异性分频分区滤波方法 |
CN108760305A (zh) * | 2018-06-13 | 2018-11-06 | 中车青岛四方机车车辆股份有限公司 | 一种轴承故障检测方法、装置及设备 |
CN109145727A (zh) * | 2018-07-11 | 2019-01-04 | 上海电力学院 | 一种基于vmd参数优化的轴承故障特征提取方法 |
CN109635334A (zh) * | 2018-11-12 | 2019-04-16 | 武汉科技大学 | 基于粒子群优化的滚动轴承故障诊断方法、系统及介质 |
US20210010893A1 (en) * | 2019-01-29 | 2021-01-14 | Nanjing Tech University | Device and method for pipeline leak detection using particle swarm optimization-variational mode decomposition algorithm |
CN110061792A (zh) * | 2019-04-04 | 2019-07-26 | 西安电子科技大学 | 一种基于变分模态分解的频谱感知算法 |
CN110146294A (zh) * | 2019-04-23 | 2019-08-20 | 莆田学院 | 一种风力发电机振动故障诊断方法及存储介质 |
CN110059437A (zh) * | 2019-04-28 | 2019-07-26 | 国网四川省电力公司南充供电公司 | 一种基于变分模态分解的gis振动信号特征量提取方法 |
CN110427916A (zh) * | 2019-08-14 | 2019-11-08 | 苏州大学 | 中心频率收敛趋势作用下的故障诊断方法 |
CN112859160A (zh) * | 2019-11-12 | 2021-05-28 | 中国石油天然气股份有限公司 | 薄互层砂体厚度的预测方法及装置 |
CN111159846A (zh) * | 2019-12-03 | 2020-05-15 | 上海工程技术大学 | 基于分数levy稳定运动的滚动轴承剩余有效寿命预测方法 |
CN111189639A (zh) * | 2020-01-08 | 2020-05-22 | 重庆交通大学 | 一种基于瞬时频率优化vmd的轴承故障诊断方法 |
CN111784043A (zh) * | 2020-06-29 | 2020-10-16 | 南京工程学院 | 一种基于模态gru学习网络的配电台区售电量精准预测方法 |
CN112051480A (zh) * | 2020-08-06 | 2020-12-08 | 国网安徽省电力有限公司电力科学研究院 | 基于变分模态分解的神经网络配电网故障诊断方法及系统 |
CN112414713A (zh) * | 2020-11-04 | 2021-02-26 | 吉电(滁州)章广风力发电有限公司 | 一种基于实测信号的滚动轴承故障检测方法 |
CN112963740A (zh) * | 2021-03-02 | 2021-06-15 | 中国南方电网有限责任公司超高压输电公司天生桥局 | 一种换流站消防管道泄漏监测定位方法 |
CN113049684A (zh) * | 2021-03-23 | 2021-06-29 | 大连海洋大学 | 基于变分模态分解的超声兰姆波缺陷信号识别方法 |
AU2021103276A4 (en) * | 2021-06-10 | 2021-07-29 | Sichuan University Of Science & Engineering | Single-ended protection method and device for HVDC transmission lines |
Non-Patent Citations (3)
Title |
---|
HONGRUI GU等: "Mechanical Fault Diagnosis of Transformer On-Load Tap-Changer Based on Improved Variational Mode Decomposition and Support Vector Machine", 《 2020 IEEE INTERNATIONAL CONFERENCE ON HIGH VOLTAGE ENGINEERING AND APPLICATION (ICHVE)》 * |
朱群伟等: "基于改进变分模态分解的滚动轴承弱故障特征提取", 《机电工程技术》 * |
王双朋等: "基于VMD的发动机气门故障特征提取", 《军事交通学院学报》 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107832525B (zh) | 一种信息熵优化vmd提取轴承故障特征频率的方法及其应用 | |
CN109000921B (zh) | 一种风电机组主轴故障的诊断方法 | |
CN110067696B (zh) | 一种风电机组载荷确定方法、装置、设备及可读存储介质 | |
CN110826803A (zh) | 一种电力现货市场的电价预测方法及装置 | |
Lu et al. | Fault diagnosis of rolling bearing based on improved VMD and KNN | |
Zhang et al. | A novel data-driven method based on sample reliability assessment and improved CNN for machinery fault diagnosis with non-ideal data | |
CN116223962B (zh) | 线束电磁兼容性预测方法、装置、设备及介质 | |
CN111061293A (zh) | 多参数耦合的飞行器故障定位方法、飞行器及存储介质 | |
US20230351158A1 (en) | Apparatus, system and method for detecting anomalies in a grid | |
CN105352726B (zh) | 一种齿轮的故障诊断方法 | |
CN111680407B (zh) | 一种基于高斯混合模型的卫星健康评估方法 | |
CN113625164A (zh) | 航空发电机故障特征提取方法、系统、介质及计算设备 | |
US20220412793A1 (en) | Method, device and computer program for monitoring a rotating machine of an aircraft | |
Qin et al. | The fault diagnosis of rolling bearing based on variational mode decomposition and iterative random forest | |
CN116826735A (zh) | 一种针对新能源场站宽频振荡辨识方法、装置 | |
CN108303278B (zh) | 一种桨式飞行器起飞状态检测方法和装置 | |
CN114841553A (zh) | 发电机旋转整流器故障诊断方法、系统、设备及存储介质 | |
CN109740109A (zh) | 一种基于酉变换的PolSAR图像广义目标分解方法 | |
CN116975742A (zh) | 局部放电模式识别方法、装置、设备和存储介质 | |
KR101490636B1 (ko) | 유도전동기의 결함 분류 방법 및 장치 | |
CN114113837A (zh) | 一种基于声学特征的变压器带电检测方法及系统 | |
CN113378116A (zh) | 一种航空发动机载荷谱载荷等级临界值确定方法 | |
Yang et al. | Unsteady aerodynamic modeling based on POD-observer method | |
Lu et al. | Chaos-based Modified GM (1, 1) Power Model in Time Series Prediction. | |
CN110765659A (zh) | 一种针对航空发动机故障诊断的支持三阶张量机建模方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211109 |
|
RJ01 | Rejection of invention patent application after publication |